| 联合增强局部最大发生特征和k-KISSME 度量学习的行人再识别 |
| |
| 引用本文： | 孙 锐,夏苗苗,陆伟明,张旭东. 联合增强局部最大发生特征和k-KISSME 度量学习的行人再识别[J]. 图学学报, 2020, 41(3): 362. DOI: 10.11996/JG.j.2095-302X.2020030362 |
| |
| 作者姓名： | 孙 锐 夏苗苗 陆伟明 张旭东 |
| |
| 作者单位： | (1. 合肥工业大学计算机与信息学院，安徽 合肥 230009；2. 工业安全与应急技术安徽省重点实验室，安徽 合肥 230009) |
| |
| 基金项目： | 国家自然科学基金面上项目(61471154)；安徽省科技攻关强警项目(1704d0802181)；中央高校基本科研业务费专项资金资助项目(JZ2018YYPY0287) |
| |
| 摘 要： | 摘要：行人再识别是一种在监控视频中自动搜索行人的重要技术，该技术包含特征表示和度量学习2 部分。有效的特征表示应对光线和视角变化具有鲁棒性，具有判别性的度量学习能够提高行人图像的匹配精度。但是，现有的特征大多都是基于局部特征表示或者全局特征表示，没有很好的集成行人外观的精细细节和整体外观信息且度量学习通常是在线性特征空间进行，不能高效地利用特征空间中的非线性结构。针对该问题，设计了一种增强局部最大发生的有效特征表示(eLOMO)方法，可以实现行人图像精细细节和整体外观信息的融合，满足人类视觉识别机制；并提出一种被核化的KISSME 度量学习(k-KISSME)方法，其计算简单、高效，只需要对2 个逆协方差矩阵进行估计。此外，为了处理光线和视角变化，应用了Retinex 变换和尺度不变纹理描述符。实验表明该方法具有丰富和完整的行人特征表示能力，与现有主流方法相比提高了行人再识别的识别率。
|
| 关 键 词： | 行人再识别 增强的局部最大发生特征 核学习 特征表示 度量学习 |
Joint enhanced local maximal occurrence representation and k-KISSME metric learning for person re-identification |
| |
| SUN Rui,XIA Miao-miao,LU Wei-ming,ZHANG Xu-dong. Joint enhanced local maximal occurrence representation and k-KISSME metric learning for person re-identification[J]. Journal of Graphics, 2020, 41(3): 362. DOI: 10.11996/JG.j.2095-302X.2020030362 |
| |
| Authors: | SUN Rui XIA Miao-miao LU Wei-ming ZHANG Xu-dong |
| |
| Affiliation: | (1. School of Computer and Information, Hefei University of Technology, Hefei Anhui 230009, China;2. Anhui Province Key Laboratory of Industry Safety and Emergency Technology, Hefei Anhui 230009, China) |
| |
| Abstract: | |
| |
| Keywords: | person re-identification enhanced local maximal occurrence feature kernel-based learning feature representation metric learning |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《图学学报》浏览原始摘要信息 |
|
点击此处可从《图学学报》下载免费的PDF全文 |
